面向人工智能系统能力培养的计算机视觉实验教学改革

针对人工智能专业知识多,教学重点侧重算法研究,学生缺乏贯穿底层硬件和芯片算法的系统级开发能力等问题,以计算机视觉独立实验课为例,提出计算机视觉实验教学改革方法,从人工智能人才培养面对的问题着手,阐述如何设计实现华为昇腾嵌入式边缘设备Atlas200DK开发板的端到端系统实验,如何引入翻转课堂教学模式与思政元素,实现课程改革评价与反馈,最后通过案例分享和实验过程中的调查问卷总结分析说明教学效果。     

基于分类不确定性的伪标签目标检测算法

伪标签目标检测算法利用大量未标注数据生成伪标签数据来增加训练数据规模,从而提高目标检测模型的性能。针对伪标签数据中存在大量错误标注数据且伪标签目标检测模型性能难以提升的问题,提出基于SoftTeacher-CUC的伪标签目标检测算法。SoftTeacher-CUC算法在SoftTeacher伪标签目标检测算法的基础上,利用分类不确定性方法计算模型生成的伪标签分类结果的不确定性来判断伪标签是否可靠,不确定性越低说明伪标签的分类结果越可靠。在此基础上,将计算得到的不确定性作为权重加入伪标签数据的分类损失函数中,进一步减少高不确定性伪标签为模型带来的负面影响。根据Teacher模型中不同模块的作用,采用不同权重的指数滑动平均方法更新Teacher模型,降低Teacher模型和Student模型参数之间的相似性,使一致性正则化方法发挥效用。实验结果表明,在标注数据分别占训练集1%、5%和10%的情况下,与SoftTeacher算法相比,SoftTeacher-CUC算法的平均精度均值分别提高了1.4、1.2和1.7个百分点,在标注数据较少的情况下,该算法具有更好的检测效果。